调整医学知识,以促进CT图像分割中的通用模型

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 大型语言模型为医学图像细分中的通用模型 (UM) 提供了医疗先验知识.
• UM中的文本提示提供了全面的知识,但可以引入偏见,特别是在异质器官或罕见癌症方面.
• 现有的UM可能会因为一般知识中固有的偏见而与特定的医疗病例作斗争.

研究的目的:

• 提出一个偏差的通用模型 (DUM),以减轻医疗图像细分的文本提示中的知识偏差.
• 利用实例级上下文信息来纠正器官级文本提示引入的偏差.
• 在多样化和具有挑战性的医疗场景中增强通用模型的概括能力.

主要方法:

• 开发了一个因果图框架,以识别和减轻普遍知识的偏见.
• 从视觉特征中提取了使用语言模型和实例级上下文提示的器官级文本提示.
• 设计了一个标准的UM (SUM) 和一个有偏见的UM,通过从SUM的输出中减去有偏见的UM的输出来获得debiased输出.
• 在多个大型多中心外部数据集和内部瘤数据集上验证了方法.

主要成果:

• 拟议的DUM方法有效地减少了医疗图像细分中的潜在偏差.
• 在处理各种医疗场景和异质器官方面表现出增强的概括能力.
• 在 AbdomenAtlas 数据集上,与流行的通用模型相比,实现了 4.16% 的改进.
• 实验结果证实了该方法具有强大的概括性和偏差缓解能力.

结论:

• 偏差的通用模型 (DUM) 成功地解决了医疗图像细分的通用模型中偏差的挑战.
• 实例级上下文信息对于纠正来自一般医学知识的偏见至关重要.
• 在复杂的医学成像任务中,DUM提供了一种有希望的方法来提高AI的可靠性和适用性.